建立大數據深度學習模式以推估區域性多時刻空氣品質-以高雄市為案例

Abstract

空氣污染為當今人們所關注的議題之一，空氣污染物包含了PM2.5、PM10、O3、SOX、NOX等，其中，以PM2.5對人體造成的危害性最大，環保署於前幾年陸續在工業區附近廣泛設置微型感測器，而臺灣PM2.5預測模式大多為預測環保署測站PM2.5濃度，並藉由空間內插等方式，以輸出區域性的預測結果，然而工業區附近空污的濃度通常較高並且變化大，使得大多數預測模式對於此區域的預測結果仍然有進步之空間，故本研究建立一推估模式(AE-CNN-BP)，由數種ANN模式所組成，包含了自編碼器(AE)、卷積神經網路(CNN)、倒傳遞神經網路(BPNN)，並用於推估T+X時刻高雄市的PM2.5濃度。推估模式基於前人時間序列預測模式於環保署測站預測T+X時刻PM2.5濃度的結果，作為CNN-BP模式的輸入值，以預測編碼(Code)，並將此預測結果作為解碼器(Decoder)的輸入值，即可推估環保署與微型感測器測站T+X時刻之PM2.5濃度值。本研究結果顯示，AE模式在訓練及測試階段之準確度都相當高，RMSE介於8~9.2(μg/m3)之間，R2介於0.93~0.94之間，在預測編碼上，總共建置了三種預測模式，分別為倒傳遞神經網路(BPNN)、深層神經網路(DNN)、混合卷積神經網路(CNN-BP)，結果顯示，CNN-BP模式在預測編碼上獲得最高的準確度；而AE-CNN-BP推估模式應用於高雄市的工業區，結果顯示，在高污染時段下，其PM2.5濃度推估結果較前人研究更為準確，並且在中、高污染時段，更能發揮空污預警之效用，故本研究證明了微型感測器應用於空污預測和預警上是具有價值的。